现代计算机ModernComputer第28卷第24期2022年12月25日锚和通道注意力相结合的车道检测算法韩尚君，余艳梅，陶青川（四川大学电子信息学院，成都610065）摘要：车道检测是自动驾驶不可缺少的一部分，但目前车道检测算法在同时保证高准确率和快检测速度方面还有待进一步提高。在LaneATT上改进得到了新的车道检测算法——LaneEcaATT。通过引入了通道注意力机制ECAnet对特征图进行处理得到局部特征，然后与全局特征相结合进行车道检测。在两个公开数据集上的实验结果表明，改进后的算法LaneEcaATT在Tusimple数据集上优于对比算法，在CULane数据集上采用Resnet18作为主干网时也优于对比算法，较好地兼顾了高准确率和快检测速度。关键词：锚；通道注意力机制；车道检测文章编号:1007-1423（2022）24-0036-06DOI:10.3969/j.issn.1007-1423.2022.24.0060引言随着传统汽车行业与人工智能技术的结合，各种计算机视觉技术已被证明是保证自动驾驶安全可靠的［1］不可或缺的一部分。为保证自动驾驶的实用性和有效性，车道检测是至关重要的。随着卷积神经网络（convolutionalneuralnet⁃works，CNN）［2］的发展，深度学习的快速发展和设备能力的改善（如计算力、内存容量、能耗、图像传感器分辨率和光学器件等）提升了视觉应用的性能和成本效益，并进一步加快了此类应用的扩展。与传统CV技术相比，深度学习可以帮助CV工程师在图像分类、语义分割、目标检测和同步定位与地图构建等任务上获得更高的准确率，故目前自动驾驶的研究热点已转移到深度学习方法上来［3-6］。车道检测对于自动驾驶而言是极为重要的一步，首先它可以使车辆行驶在正确的道路上，对于后续的导航和路径规划也是至关重要的，同时它也具有挑战性，因为交通、驾驶环境、障碍物、天气条件等各种内外部复杂条件都会产生巨大影响。对于车道检测的研究主要有两种方法进行解决——传统方法和深度学习方法。传统方法主要是通过手工提取特征，然后将其与滤波器进行结合，得到分割的车道线，最后过滤部分错误车道得到最终的检测结果。目前已经有研究使用深度网络来取代手工提取特征来进行车道检测：Huval等［7］首次将深度学习方法应用于CNN的车道检测；Pan等［8］通过提出一种相邻像素之间的消息传递机制SCNN显著提高了深度分割方法对车道检测的性能；Li等［9］提出了一种端到端的高效深度学习系统Line⁃CNN（L⁃CNN），在实时环境中试验显示，优于当时最先进的方法，显示出更高的效率和效率；Tabelini...
